近年不少打工仔都遇到同一個矛盾：學會了 ChatGPT、Copilot、自動化工作流程，甚至懂得建立 AI Agent，工作確實快了，產出也多了，但薪金仍然沒有明顯改變。
於是問題來了：如果 AI 真的可以提升生產力，為甚麼公司沒有因此加薪？是不是學 AI 根本沒有用？
答案不是「AI 沒有價值」，而是：生產力提升、商業價值和個人薪酬，是三件相關但不會自動連接的事。
一項刊於《The Quarterly Journal of Economics》的研究追蹤 5,172 名客服人員，發現使用生成式 AI 助手後，每小時解決的問題數量平均增加 15%。不過，研究亦清楚指出，它沒有觀察到員工薪酬、整體勞動需求或招聘結構的變化。換言之，研究證明 AI 可以提高工作效率，卻沒有證明這種效率會自動變成個人加薪。研究原文
這正是許多上班族面對的現實：你創造了更多價值，但公司未必看得見；即使看得見，你也未必擁有分配這些價值的能力。
市場說 AI 值錢，為何你沒有加薪？
先看一組看似矛盾的數據。
PwC 的《2025 Global AI Jobs Barometer》分析近十億份職位廣告及企業資料，發現要求 AI 技能的職位，相對同類但不要求 AI 技能的職位，平均有 56% 的薪酬溢價；香港職位廣告中要求 AI 技能的比例，也由 1.6% 上升至 1.9%。PwC 香港報告
到 2026 年，PwC 的香港數據顯示，AI 相關職位廣告由 2024 至 2025 年增加 50%，佔整體職位廣告的比例由 3.6% 升至 4.7%。這反映僱主對 AI 能力的需求仍在增加。PwC 2026 香港數據
但這些數字不能直接理解為：「只要學會 AI，現有僱主便應該替你加薪 56%。」
原因有三個：
- 職位溢價不等於內部加薪。 職位廣告比較的是不同職位或求職者的市場價格，不是同一位員工學會 AI 前後的薪酬變化。
- 相關性不等於因果。 要求 AI 技能的職位，可能同時要求較高的專業知識、管理責任、數據能力或行業經驗；較高薪酬未必全部由 AI 技能單獨造成。
- 市場願意為稀缺組合付費，而非為所有工具使用者付費。 「懂得使用 ChatGPT」和「能夠用 AI 改善風險管理、產品收入或客戶體驗」的市場價值並不相同。
所以，宏觀數據顯示 AI 人才有溢價，與個人學會 AI 後沒有即時加薪，兩者並不矛盾。
兩道看不見的障礙：公司不知道你用了 AI，你也未必敢說
以上分析假設了一個前提：公司知道員工如何使用 AI，也有能力辨認 AI 帶來的價值。
但現實未必如此。
在不少公司，AI 並不是由管理層正式導入，而是由員工自行開始使用。有人用 ChatGPT 整理資料，有人用 Copilot 修改文件，也有人自行建立自動化流程。公司可能沒有提供正式工具、培訓、使用指引或成效指標，員工便只能低調地把 AI 加入自己的工作方法。
結果是，員工的確提高了效率，但這種提升可能完全沒有進入公司的正式紀錄。
第一重障礙：AI 創造的價值是隱形的
McKinsey 2025 年的調查發現，企業高層估計只有 4% 員工已使用生成式 AI 處理至少三成日常工作，但實際上有 13% 員工表示已達到這個程度。員工的實際使用程度，是高層估計的三倍以上。McKinsey 研究
這種由員工自行使用、但沒有納入正式管理及資訊科技制度的情況，有時會被稱為「影子 AI」（Shadow AI）。
它形成了一個職場上的弔詭：
- 員工利用 AI 提高效率
- 公司享受到更快的產出
- 管理層不知道改善來自哪裡
- 員工無法證明成果由自己設計
- 公司亦無法把個人經驗轉化為正式流程
在這種情況下，AI 創造的價值可能同時對公司和員工「不可見」。
對公司而言，它只看見工作如期完成，未必知道背後的方法已經改變；對員工而言，由於沒有改善前的基準數據，也沒有正式專案身份，因此很難在評核或薪酬談判時證明自己的貢獻。
這可以用管理學的「吸收能力」（Absorptive Capacity）理論理解。一家公司接觸到新技術，不代表它自然有能力辨認、吸收及利用這項技術。它仍然需要管理支持、員工培訓、知識分享、正式流程和合適的績效指標，才能把個人的新方法轉化成整間公司的能力。
所以，問題未必只是「老闆不懂 AI」，而可能是公司根本沒有一套制度去看見 AI 的價值。
第二重障礙：承認使用 AI，可能反而影響專業形象
即使員工願意公開自己的 AI 使用方法，也可能面對另一個問題：AI 經常與錯誤、幻覺、懶惰和缺乏原創性等負面印象連在一起。
2025 年一項刊於《Proceedings of the National Academy of Sciences》的研究進行了四個實驗，參與者超過 4,400 人。結果發現，使用 AI 協助工作的人，可能被旁觀者評價為較懶惰、能力較低及不夠勤奮。PNAS 研究
換言之，即使 AI 幫助一個人提高工作表現，「使用 AI」這個標籤本身也可能帶來社會評價上的懲罰。
這也與心理學中的「演算法厭惡」（Algorithm Aversion）有關。過往研究發現，即使演算法的整體表現優於人類，人們一旦看見演算法犯錯，仍可能很快失去信心，轉而選擇表現較差的人類判斷。
人們對人類錯誤與 AI 錯誤的容忍程度，往往並不相同：
- 同事偶爾寫錯一句內容，可能被視為一般疏忽
- AI 生成一句錯誤內容，可能令人質疑整套工具是否可靠
- 人犯錯時，人們會考慮經驗、動機和工作環境
- AI 犯錯時，人們較容易把問題歸因於技術本身
因此，員工可能陷入兩難：不公開 AI 使用，管理層便看不見其能力；公開 AI 使用，又可能令人誤以為工作未經思考或核實。
問題不是應否公開，而是如何交代
解決方法不應是隱瞞 AI 使用。尤其當工作涉及客戶資料、個人資料、財務數據、專業判斷或重要決策時，未經批准使用外部 AI 工具可能帶來私隱、保密及合規風險。
香港個人資料私隱專員公署在 2025 年發布的僱員使用生成式 AI 指引，也建議機構明確規定可使用的工具、允許用途、資料輸入限制、核實程序、培訓和違規後果。私隱專員公署指引
員工真正需要學習的，是如何準確地交代 AI 與自己各自負責的部分。
例如，不要只說：
這份報告是我用 AI 做的。
這句話容易令人理解為「把工作交給 AI」，甚至懷疑內容是否經過核實。
可以改為：
我利用公司批准的 AI 工具協助整理和初步分析資料，原始數據、主要假設、引用來源及最終結論均由我重新核實。這個流程把處理時間由六小時減至兩小時，同時保留人工覆核和責任承擔。
後一種說法清楚交代了四件事：
- AI 負責甚麼
- 人負責甚麼
- 如何控制錯誤
- 最後改善了甚麼結果
真正有價值的能力，不只是懂得操作 AI，而是懂得設計一套可靠的人機協作流程，知道甚麼可以交給 AI、甚麼必須由人判斷，並願意對最終結果負責。
第一個關鍵：公司買的是成果，不是你的辛苦
傳統的人力資本理論認為，教育、訓練和工作經驗都是對自己的投資。經濟學家 Gary Becker 指出，人力資本投資可透過更高生產力和收入帶來回報。NBER：Human Capital
這個理論沒有錯，但在現實職場中還欠了兩個中間步驟：你的新能力必須被看見和量度，也必須證明與商業成果有關。
假設阿明原本每星期用十小時整理報告，學會 AI 後只需三小時。表面上，他的效率提高了。但公司可能有三種理解：
- 阿明替公司節省了七小時，現在可以處理更多高價值工作
- 這項工作原來不需要十小時，只是以前的方法太慢
- 既然任何人使用同一工具都能做到，這不是阿明獨有的能力
只有第一種理解最有利於加薪。要讓管理層採用第一種理解，阿明不能只說「我現在做快了」，而要證明：節省出來的時間去了哪裡、產出增加多少、錯誤率是否下降、收入或客戶滿意度有沒有改善，以及成果如何由他所設計的流程產生。
因此，「我學了多少 AI」不是最有力的加薪證據；「我利用 AI 改變了甚麼業務結果」才是。
第二個關鍵：你是在加強自己，還是在訓練公司取代你？
經濟學家 Daron Acemoglu 和 Pascual Restrepo 的「任務型框架」提供了一個很實用的理解方法。他們不把一份工作視為不可分割的整體，而是把它拆成不同任務：有些由人完成，有些可以交給機器或演算法。
當技術接手原本由人完成的任務，會產生「取代效應」；當新技術創造新的工作、責任和判斷需要，則會產生「新任務效應」。前者可能壓低勞動需求，後者則可重新提高人的價值。American Economic Association
Acemoglu 與 Restrepo 的後續研究估計，1980 至 2016 年間，美國不同勞工群體薪酬結構變化的 50% 至 70%，與自動化造成的任務取代有關。Oxford Academic
用最淺白的說法：
- 如果你只是用 AI 更快完成一項很容易標準化的工作，公司最後可能把方法寫成流程，交給更多人甚至系統自行處理
- 如果你利用 AI 發現新問題、建立新服務、改善決策，並承擔結果責任，你便不是單純加速舊任務，而是在創造新的角色價值
例如，使用 AI 摘要會議紀錄，主要是提升執行效率；利用 AI 分析大量客戶意見，找出流失原因，再設計挽留方案並跟進結果，則包含問題定義、商業判斷、跨部門協調和責任承擔。兩者都使用 AI，但後者較難被一個工具或一套標準流程完全取代。
第三個關鍵：有用，不代表稀有
技能偏向型技術變遷理論認為，新技術往往會增加對某些高技能人才的需求，令與技術互補的人得到較高回報。問題是，當一項技能快速普及，它的稀缺性也會下降。
幾年前，懂得寫基本 Prompt 或建立簡單自動化流程，可能已經很突出。今天，這些能力仍然有用，但越來越多人能做到。當供應增加，「懂工具」本身便較難構成長期的薪酬優勢。
這可以借用策略管理中的資源基礎觀和 VRIO 框架理解。Jay Barney 的理論指出，一項資源若要形成持續競爭優勢，需要具備價值、稀有、難以模仿，以及能夠被組織有效運用等條件。Barney 原始論文
套用在個人身上，可以問四個問題：
| 問題 | 普通 AI 工具能力 | 高價值 AI 能力組合 |
|---|---|---|
| 有價值嗎？ | 可以節省時間 | 可以直接改善收入、成本、風險或客戶結果 |
| 稀有嗎？ | 很多人經短期學習便可掌握 | 結合行業知識、數據理解和實戰經驗 |
| 難模仿嗎？ | Prompt 和流程容易複製 | 判斷力、關係網絡、案例經驗和責任紀錄難複製 |
| 能被組織運用嗎？ | 停留在個人效率 | 能嵌入團隊流程、制度和可量度指標 |
真正值錢的通常不是「AI」兩個字，而是以下組合：
- AI ＋ 會計、法律、醫療、工程或其他領域知識
- AI ＋ 客戶洞察和商業判斷
- AI ＋ 數據治理、風險控制和合規能力
- AI ＋ 流程設計和跨部門推動能力
- AI ＋ 能夠對結果負責的職權與紀錄
工具會普及，但深厚的情境知識、可信判斷和承擔責任的能力，不會同樣快速商品化。
第四個關鍵：創造價值與分配價值是兩回事
即使你已經創造出可量度的成果，也不代表公司會主動把一部分成果變成你的薪酬。
這可用「納許議價」理解。在勞動經濟學中，薪酬不只由生產力決定，也取決於僱主與員工如何分配合作產生的額外價值。現代勞動市場模型常用 Nash bargaining 分析工資；核心因素包括員工生產力、僱主之間的人才競爭，以及員工本身的議價能力。ECB 工作論文
想像你利用 AI 每年替公司節省 50 萬元。這 50 萬元是新增的可分配價值，但不代表你自然獲得其中某個百分比。實際結果取決於：
- 公司是否相信成果由你主導，而非工具自然產生
- 你的能力是否容易由其他同事或外判服務取代
- 你離開後，公司要付出多少成本重建這套能力
- 你在外部市場是否有可信的工作選擇
- 公司是否有晉升、獎金或職級調整機制分享成果
- 你有沒有正式提出與證據相稱的薪酬或職責調整
這就是為甚麼兩名同樣能用 AI 的員工，薪酬結果可以完全不同。其中一人只把工作做快，另一人則保存成果紀錄、建立跨部門影響力、取得外部市場認可，並在適當時間提出具體方案。後者的外部選項和議價地位較強，也較容易分享自己創造的價值。
議價不是威脅辭職，而是讓雙方清楚知道：你的工作創造了甚麼、替代成本有多高，以及繼續合作可以帶來甚麼回報。
把 AI 技能變成加薪籌碼
如果不想只停留在「學了很多工具」，可以採用以下五步方法。
1. 從工具清單轉向商業問題
不要由「我想用這個 AI 工具」開始，而要由「公司現在哪個問題最昂貴」開始。
優先尋找與以下指標有關的問題：
- 收入：轉換率、續約率、客戶流失率、客單價
- 成本：處理時間、人手投入、外判費用、重工成本
- 風險：錯誤率、投訴、合規事故、遺漏和延誤
- 速度：交付周期、回覆時間、決策時間、產品推出時間
- 品質：準確率、客戶滿意度、一次完成率
2. 建立改善前的基準線
如果沒有「之前」的數字，便很難證明「之後」的改善。
在導入 AI 前，記錄原本所需工時、成本、處理量、錯誤率和品質指標。不要只展示一個成功例子，應盡可能觀察數星期或數月，避免把短期波動當成長期成果。
3. 把節省的時間重新投資
單純節省時間，有時只會令管理層重新分配更多工作。更有價值的做法，是主動把時間轉用於高價值任務，例如客戶溝通、風險檢查、流程改善、產品設計或培訓團隊。
重點不是「我少做了七小時」，而是「我把七小時轉化成甚麼新成果」。
4. 建立難以複製而且可信的證據
保存一份簡單的 AI 成果紀錄，包括：
| 項目 | 應記錄內容 |
|---|---|
| 原有問題 | 原流程的時間、成本、風險或限制 |
| 你的角色 | 你如何定義問題、設計方案和協調持份者 |
| AI 的角色 | 哪些步驟由 AI 協助，哪些仍需人工判斷 |
| 改善結果 | 工時、成本、收入、品質或風險的變化 |
| 驗證方法 | 數據來源、比較期間和可能限制 |
| 治理安排 | 工具是否獲公司批准；有沒有輸入敏感、個人或機密資料 |
| 核實程序 | 誰負責檢查資料、引用、計算、假設和最終結論 |
| 可持續性 | 流程是否可重複、可擴展和符合治理要求 |
這份紀錄既是薪酬談判材料，也是履歷、作品集和面試案例的基礎。
5. 提出交換方案，而非只提出要求
與其說「我學了很多 AI，所以希望加薪」，不如提出一個連結成果、治理和未來責任的方案：
過去六個月，我利用公司批准的 AI 工具重新設計了某項流程，平均處理時間由每宗 45 分鐘降至 20 分鐘，錯誤率由 6% 降至 2%。AI 主要負責初步整理及分類，所有重要資料和最終結果均由人員覆核。按目前處理量估算，這套流程每年可節省約某個工時或成本。下一階段，我建議把方案擴展至另外兩個團隊，並由我負責成效指標、員工培訓、權限管理和風險控制。我希望同時討論職責、職級及薪酬如何反映這些新增責任。
這種說法把過去成果、風險控制、未來價值、責任增加和薪酬要求放在同一個商業框架內，通常比列出修讀過的課程或懂得多少工具更有說服力。
三種常見處境
情況一：工作快了，但沒有可見成果
你需要做的不是再學一個工具，而是建立基準線和成果指標。把「快了多少」連接到處理量、成本、品質或客戶結果，並讓管理層知道改善是如何產生的。
情況二：成果清楚，但公司制度不會獎勵
如果職級、薪酬範圍或管理文化沒有分享生產力成果的機制，繼續提高效率未必能改變回報。這時應了解內部轉職、晉升、專案獎金或外部市場機會，而不是假設更多努力最終必然被看見。
情況三：AI 技能已經變得普通
停止與人比較懂多少工具，改為建立「AI ＋ 專業領域 ＋ 商業成果 ＋ 治理能力 ＋ 責任」的能力組合。工具能力讓你入場，難以模仿的組合才提高你的市場價格。
AI 不是自動加薪機
AI 可以提高生產力，但薪酬提升至少需要六個條件同時出現：
- 你的 AI 應用解決了真正有價值的商業問題。
- 成果可以量度，並合理歸因於你的判斷和工作。
- 管理層知道 AI 如何改善工作，而不是把成果視為自然發生。
- AI 使用符合公司的資料、私隱、保密和風險要求。
- 你的能力組合具有一定稀缺性和替代成本。
- 你擁有足夠議價能力，並主動提出相應的角色與回報安排。
這六項條件可以整理成以下模型：
AI 技能 × 商業成果 × 成果可見度 × 治理可信度 × 技能稀缺性 × 議價能力 → 薪酬回報
這裡使用乘法而不是加法，是因為任何一項接近零，都可能令 AI 技能無法轉化為實際薪酬。
因此，真正值得問的問題，不再是：「我還要學多少 AI 工具？」
而是：
我利用 AI 創造了甚麼別人難以取代的價值？公司能否看見並信任這些成果？我又有沒有足夠證據和議價能力，取得其中合理的一部分？
學會 AI，只能讓你更有能力創造價值；公司能否看見這些價值、你能否證明它由自己創造，以及雙方有沒有制度和意願合理分配成果，才決定 AI 最終會變成加薪、更多工作，還是一項沒有人知道的隱形貢獻。
